Network Lasso 优化在拼车预测中的应用
计算机与社会
2016-07-07 v3 机器学习
机器学习
摘要
拼车通过减少碳足迹、促进社交互动和节约通勤成本，在环境、社会和个人目标方面具有重要意义。现有的拼车系统缺乏能够同时从大规模数据中学习并进行实时动态预测的自适应且可扩展的技术。在本文中，我们面向智慧城市倡议研究此类问题，构想了一个通用的拼车系统，该系统能够基于历史记录数据对拼车机会进行预测，同时满足实时的拼车请求。该系统的基础是应用了一种名为 Network Lasso 的强大机器学习凸优化框架，该框架使用交替方向乘子法（ADMM）进行学习和动态预测。我们提出在拼车案例研究中应用一种鲁棒且可扩展的统一优化框架。Network Lasso 框架的应用能够基于空间和模型相似性对不同行程进行联合优化和聚类。该框架的预测将新的拼车请求进行聚类，基于聚类结果进行准确的价格预测，发现数据中的隐藏关联，并由于网络拓扑结构而允许快速收敛。我们对 ADMM Network Lasso 在真实行程记录和模拟数据上的应用进行了经验评估，证明了其有效性，因为该算法预测的均方误差在测试行程上达到了最小化。
引用
@article{arxiv.1606.03276,
title = {An Application of Network Lasso Optimization For Ride Sharing Prediction},
author = {Shaona Ghosh and Kevin Page and David De Roure},
journal= {arXiv preprint arXiv:1606.03276},
year = {2016}
}